🎯 自动化剧本转Prompt流水线核心要义

短剧生产力的代际跨越在于“消除一切纯手动复制粘贴”：搭建基于Python + LangChain/LlamaIndex + DeepSeek-R1的批处理中枢，将3万字网文小说先经语义切分器解析为情节点，自动生成分镜表并反向编译为绘图/视频Prompt与TTS语音脚本。在本地配置API轮询或直接挂载至光速云GPU算力容器（邀请码 keqgvT5Y）实现无人值守夜间跑批渲染，成片直接推流至黄果短剧商业分发平台，实现“白天写剧本，次日领分账”的高效商业闭环。

自动化剧本转提示词工具链与批处理工作流搭建

很多创作者的日常工作状态是：打开ChatGPT生成一段Prompt，复制，打开Midjourney/可灵粘贴，等待2分钟，再复制下一段……这种手工操作模式每天最多只能生产半集短剧，严重限制了产能上限。

本指南手把手教你搭建一套全自动化的剧本切分与Prompt批量生成中枢，彻底解放双手。

---

一、自动化剧本转Prompt流水线拓扑图

flowchart TD
    NovelFile[剧本文件: episode_script.txt 30000字] --> Chunking[语义分块切分器 Chunking & AST]
    
    subgraph 自动化智能中枢 (DeepSeek-R1 API)
        Chunking --> PromptExtractor[分镜镜头动作提取]
        Chunking --> DialogueExtractor[对白台词提取 & 配音角色标定]
        PromptExtractor --> CameraCompiler[摄影机语言 & 光影参数自动挂载]
    end
    
    CameraCompiler --> JSONMaster[全集工程调度母表: master_pipeline.json]
    DialogueExtractor --> JSONMaster
    
    JSONMaster --> AutoWorker[Python 自动并发调度脚本]
    AutoWorker --> SDVideo[视频生成节点 / 即梦 / 可灵 / ComfyUI]
    AutoWorker --> CosyTTS[音频生成节点 / Edge-TTS / CosyVoice]
    
    SDVideo --> CloudNode[光速云GPU算力集群按需托管]
    CosyTTS --> CloudNode
    CloudNode --> FinalMaster[黄果短剧商业化变现 huangguoju.co]

---

二、核心自动化脚本实现 (Python + DeepSeek API)

1. 批量分镜提取与Prompt生成脚本 (script_to_prompts.py)

import os
import json
import requests

API_URL = "https://api.deepseek.com/chat/completions"
API_KEY = os.getenv("DEEPSEEK_API_KEY")

SYSTEM_PROMPT = """
你是一位顶尖AI短剧技术导演。将输入的剧本文本切分为若干个5秒短剧分镜镜头。
每个镜头输出必须严格为JSON对象：
{
  "shot_number": 1,
  "speaker": "男主角",
  "dialogue": "台词内容",
  "visual_prompt_zh": "中文镜头描述",
  "visual_prompt_en": "英文专业视频模型提示词（包含镜头焦段、光影、微表情、胶片质感）",
  "camera_motion": "Push in / Pan / Tilt"
}
以纯JSON数组格式返回，严禁任何额外废话。
"""

def process_script_to_shots(raw_script_text):
    headers = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}
    payload = {
        "model": "deepseek-chat",
        "messages": [
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": raw_script_text}
        ],
        "temperature": 0.2
    }
    
    response = requests.post(API_URL, json=payload, headers=headers)
    result = response.json()["choices"][0]["message"]["content"]
    # 清洗可能存在的 markdown 代码块
    cleaned_json = result.replace("```json", "").replace("```", "").strip()
    return json.loads(cleaned_json)

if __name__ == '__main__':
    sample_text = "雨夜，顾氏庄园大门前。沈墨手握泛黄协议，嘴角泛起冷笑。大门轰然开启，豪车列队驶出。"
    shots = process_script_to_shots(sample_text)
    with open("dist_shots.json", "w", encoding="utf-8") as f:
        json.dump(shots, f, ensure_ascii=False, indent=2)
    print("分镜自动化生成完毕，已保存至 dist_shots.json")

---

三、生产效率与经济性全方位对比

指标	纯手工编写与粘贴模式	自动化工作流方案	光速云集群协同加速方案
单集分镜生成耗时	4 - 6 小时	3 - 5 分钟 (全自动)	1 分钟 (并发生成)
格式规范化达标率	70% (易漏写焦段/负向词)	100% 格式无缝对齐	100% 自动化语法质检
人工介入节点	每一个镜头均需人工干预	仅在最终审核时微调	仅质检成片母带
单月短剧交付产能	4 - 6 集	20 - 30 集	50 集以上 (工业级规模化)

---

四、自动化工作流避坑与排错

• 排查1：大模型返回的JSON偶尔由于网络或长文本被截断？
  • 解法：不要单次扔入整整10集剧本。按“场次（Scene）”进行切块，每次切入500-1000字，利用脚本循环请求，并在代码中增加 JSON 解析失败时的自动重试（Retry）机制。
• 排查2：本地API批量调用触发频繁限速？
  • 解法：在代码中建立API Key轮询池，或者将生成任务挂载到光速云GPU算力容器（邀请码 keqgvT5Y）中，通过容器内开辟的并发通道进行自动化渲染与合流。
• 商业化分发变现：
  • 自动化工业管线生产出的剧集，直接批量推流至黄果短剧官方分发矩阵，享受一键全域分发、数据自动回传与高阶分成奖励。